Itsekehittyvä tekoäly reaaliaikaiseen ennustamiseen

Osakan yliopiston tutkijat ovat kehittäneet uraauurtavan "itseään kehittävän" tekoälyteknologian, joka mahdollistaa reaaliaikaisen oppimisen ja ennustamisen suoraan kompakteissa laitteissa.

Tutkijoiden kehittämä MicroAdapt -niminen innovaatio saavuttaa ennennäkemättömän nopeuden ja tarkkuuden. Se käsittelee dataa jopa 100 000 kertaa nopeammin ja saavuttaa jopa 60 % suuremman tarkkuuden verrattuna perinteisiin huippuluokan syväoppimismenetelmiin.

Tämä saavutus on merkittävä edistysaskel kohti seuraavan sukupolven reaaliaikaisia tekoälysovelluksia valmistuksessa, autoteollisuuden IoT:ssä ja lääketieteellisissä puetuissa laitteissa, ja se korjaa olemassa olevan pilvipohjaisen tekoälyn kriittisiä rajoituksia.

Aiemmin reunajärjestelmien tekoäly sisälsi tyypillisesti suurten mallien esikoulutusta big datan ja syväoppimisen avulla laajoissa pilviympäristöissä. Nämä staattiset, kiinteät mallit otettiin sitten käyttöön reunajärjestelmissä pelkästään päättelyä (ennustamista) varten, ei oppimista varten.

Tämä lähestymistapa, vaikka paransi tarkkuutta suuremmalla datamäärällä, vaati valtavia datamääriä, käsittelyaikaa ja tehoa, mikä tekee siitä sopimattoman reaaliaikaiseen tiedonkäsittelyyn tai nopeisiin mallipäivityksiin suoraan pienissä laitteissa. Lisäksi nämä pilvipohjaiset menetelmät kohtaavat jatkuvia haasteita viestintäkustannusten, tietosuojan ja turvallisuuden kanssa.

Toisin kuin perinteinen tekoäly, joka kouluttaa monimutkaisia, yksittäisiä malleja pilvipalvelussa olevien suurten tietomäärien pohjalta, MicroAdapt toimii eri tavalla.

Ensinnäkin se hajottaa saapuvat, ajassa kehittyvät datavirrat erottuviksi kuvioiksi suoraan reunalaitteessa. Toiseksi se integroi useita kevyitä malleja edustamaan tätä dataa kollektiivisesti. Kolmanneksi, mikro-organismien sopeutumisesta inspiroituneena, järjestelmä iteroi itsenäisesti ja jatkuvasti itseoppimista, ympäristöön sopeutumista ja evoluutiota.

Se tunnistaa uusia kuvioita, päivittää yksinkertaisia mallejaan ja hylkää tarpeettomia, mikä mahdollistaa reaaliaikaisen mallien oppimisen ja tulevaisuuden ennustamisen.

Tiimi toteutti onnistuneesti tämän itsestään kehittyvän reunalaskennan oppimismekanismin Raspberry Pi 4:llä. Toteutus osoitti käytännöllisyytensä vaatimalla alle 1,95 Gt muistia ja kuluttamalla alle 1,69 W tehoa, kaikki samalla kun se toimi kevyellä suorittimella ilman tehokkaita näytönohjaimia.

Aiheesta aiemmin:

Tekoälyä myös teollisuudelle

Tekoälylle elinikäistä oppimiskykyä

Itseoppimiseen tukeutuva konenäkö